論文の概要: Rule Taxonomy and Evolution in AI IDEs: A Mining and Survey Study
- arxiv url: http://arxiv.org/abs/2606.12231v1
- Date: Wed, 10 Jun 2026 15:39:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.535854
- Title: Rule Taxonomy and Evolution in AI IDEs: A Mining and Survey Study
- Title（参考訳）: AI IDEにおけるルール分類と進化 - マイニングとサーベイスタディ
- Authors: Guangzong Cai, Ruiyin Li, Peng Liang, Zengyang Li, Mojtaba Shahin,
- Abstract要約: AIを活用した統合開発環境の導入は、新しいソフトウェアアーティファクトとして"Rules"を導入した。
開発者の意図とAIの振る舞いを一致させる役割にもかかわらず、これらのルールの分類、進化、実践的影響はほとんど解明されていない。
- 参考スコア（独自算出の注目度）: 5.478604810189007
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The adoption of AI-powered Integrated Development Environments (AI IDEs) has introduced "Rules" as a novel software artifact, allowing developers to persistently inject project-specific constraints and architectural guidelines into the context of Large Language Models (LLMs). Despite their role in aligning AI behavior with developer intent, the taxonomy, evolution, and practical impact of these rules remain largely unexplored. To bridge this gap, we conducted a mixed-methods empirical study on AI IDE rules. By mining 83 open-source projects and extracting 7,310 rules, we established a comprehensive taxonomy comprising 5 primary and 25 secondary categories. We then triangulated these artifacts with survey responses from 99 practitioners. Our analysis identified a contrast between developer priorities and actual configurations: while practitioners rate architectural constraints as highly important, rule files in repositories primarily consist of low-level workflow and code formatting constraints. Furthermore, our analysis of 1,540 rule evolution events revealed that rules are updated frequently. Repository data further indicate that rule evolution is primarily driven by constructive context expansions (29.17%) and enrichments (26.59%). In contrast, surveyed developers reported modifying rules primarily to correct AI errors (77.78%), typically by adding new negative constraints rather than editing existing ones. Finally, an artifact compliance assessment of 160 rule evolution events revealed that updating rules significantly improves the adherence of software artifacts, with the average artifact compliance rate increasing by 22.99% (from 49.14% to 72.13%) following an update. Our study provides empirical insights that can help developers optimize prompting strategies and guide tool builders in designing automated conflict-detection and context-management mechanisms for AI IDEs.
- Abstract（参考訳）: AIによる統合開発環境(AI IDE)の採用は、新しいソフトウェアアーティファクトとして"Rules"を導入し、プロジェクト固有の制約とアーキテクチャガイドラインをLarge Language Models(LLM)のコンテキストに持続的に注入することを可能にする。
開発者の意図とAIの振る舞いを一致させる役割にもかかわらず、これらのルールの分類、進化、実践的影響はほとんど解明されていない。
このギャップを埋めるために、我々はAI IDEルールに関する混合メソッドの実験的研究を行った。
83のオープンソースプロジェクトをマイニングし,7,310のルールを抽出することにより,5つのプライマリ・セカンダリ・カテゴリと25のセカンダリ・カテゴリからなる包括的分類法を確立した。
そして、99人の実践者からの調査回答を得て、これらのアーティファクトを三角測量した。
実践者はアーキテクチャ上の制約を非常に重要であると評価する一方で、リポジトリ内のルールファイルは、主に低レベルのワークフローとコードフォーマットの制約で構成されています。
さらに,1,540件のルール進化イベントを解析した結果,規則が頻繁に更新されることが判明した。
リポジトリのデータはさらに、ルールの進化は主に構成的文脈拡張(29.17%)と濃縮(26.59%)によって引き起こされることを示している。
対照的に、調査対象の開発者は、主にAIエラー(77.78%)を修正するためにルールを変更すると報告した。
最後に、160のルール進化イベントにおけるアーティファクトコンプライアンスの評価では、更新ルールはソフトウェアアーティファクトの適合性を著しく改善し、更新後の平均アーティファクトコンプライアンス率は22.99%(49.14%から72.13%)増加した。
私たちの研究は、AI IDEの自動コンフリクト検出とコンテキスト管理メカニズムの設計において、開発者が迅速な戦略を最適化し、ツールビルダーをガイドするのに役立つ経験的な洞察を提供する。
関連論文リスト
- Empirical Study on the Characteristics and Evolution of AI-usage in GitHub Repositories: Evidence from Code Comments [7.213400161126317]
私たちは、AIの使用と関連するコードブロックを明示的に参照する、35,361のGitHubコードコメントを分析します。
最初に500のユニークなコメントとコードブロックをオープンにし、AI支援開発活動の分類を導き出しました。
次に、2つのLCMベースの分類器と、Dawid-Skene予測最大化による集約予測を用いて、全データセットに注釈を付ける。
論文 参考訳（メタデータ） (2026-06-05T02:37:44Z) - Operationalizing Ethics for AI Agents: How Developers Encode Values into Repository Context Files [11.207503404473842]
このビジョンペーパーは、AIエージェントに対する倫理と価値観が、エージェントの振る舞いを形作る実行可能な命令にどのように変換されているかを調べる。
開発者はすでに、公正性、アクセシビリティ、持続可能性、トーン、プライバシに関するガイダンスを組み込んでいます。
論文 参考訳（メタデータ） (2026-05-07T02:03:36Z) - The Productivity-Reliability Paradox: Specification-Driven Governance for AI-Augmented Software Development [0.0]
コントロールされた研究によると、よくスコープされたタスクで生産性が20～56%向上し、最も厳格なRCT文書は経験豊富な開発者にとって19%の減速を報告している。
10,000人以上の開発者を対象としたテレメトリでは、プルリクエストが98%増加したが、フラットなデリバリメトリクスによるレビュー時間が91%長かった。
本稿では,非決定論的コードジェネレータから生じる系統的な現象と,仕様の不十分な規律であるProductivity-Reliability Paradox(PRP)について論じる。
論文 参考訳（メタデータ） (2026-05-01T23:37:50Z) - ClawArena: Benchmarking AI Agents in Evolving Information Environments [61.664633997138004]
ClawArenaは、進化する情報環境におけるAIエージェントの評価のためのベンチマークである。
それぞれのシナリオは、エージェントをノイズ、部分的、時には矛盾するトレースだけに露呈しながら、完全に隠された地上の真実を維持します。
評価は、マルチソースコンフリクト推論、動的信念修正、暗黙のパーソナライゼーションという3つの複合的な課題に基づいて構成される。
論文 参考訳（メタデータ） (2026-04-05T17:55:23Z) - Predicting Developer Acceptance of AI-Generated Code Suggestions [12.254014187965831]
本稿では,大手テクノロジー企業による66,329の産業開発者とAIのインタラクションを用いた実証的研究を行った。
承認されたコード提案と拒否された機能とは大きく異なる機能を分析します。
我々はCSAP(Code Suggestion Acceptance Prediction)を導入し、開発者が表示前にコード提案を受け入れるかどうかを予測する。
論文 参考訳（メタデータ） (2026-01-29T08:14:24Z) - Guidelines to Prompt Large Language Models for Code Generation: An Empirical Characterization [82.29178197694819]
我々は、開発固有のプロンプト最適化ガイドラインを導出し、評価する。
コード生成プロンプトを自動的に洗練するために、反復的でテスト駆動のアプローチを使用します。
我々は50人の実践者と評価を行い,提案した即興改善パターンの使用状況について報告する。
論文 参考訳（メタデータ） (2026-01-19T15:01:42Z) - QiMeng-NeuComBack: Self-Evolving Translation from IR to Assembly Code [52.66657751895655]
大規模言語モデル(LLM)は、ニューラルコンパイルという魅力的な新しいパラダイムを提供する。
本稿では,IR-to-assemblyコンパイル用に設計された新しいベンチマークデータセットであるNeuComBackを紹介する。
LLMの内部的なプロンプト戦略を進化させる自己進化的プロンプト最適化法を提案する。
論文 参考訳（メタデータ） (2025-11-03T03:20:26Z) - Building an Open AIBOM Standard in the Wild [5.0578463541356635]
本稿では、AI Bill of Materials AIBOM仕様の開発に関する詳細な経験報告を示す。
90以上のコントリビュータと構造化されたARサイクルを含む、グローバルでマルチステークホルダの取り組みを文書化しています。
その結果、仕様は4つの補完的なアプローチによって検証された。
論文 参考訳（メタデータ） (2025-10-08T14:32:31Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - Teaching LLM to Reason: Reinforcement Learning from Algorithmic Problems without Code [76.80306464249217]
本稿では,LLMにより良い理性を教えることを目的としたTeaRを提案する。
TeaRは、注意深いデータキュレーションと強化学習を活用して、コード関連のタスクを通じて最適な推論パスを発見するモデルをガイドする。
我々は、2つのベースモデルと3つの長いCoT蒸留モデルを用いて広範な実験を行い、モデルのサイズは15億から32億のパラメータから、Math、Knowledge、Code、Logical Reasoningにまたがる17のベンチマークにまたがる。
論文 参考訳（メタデータ） (2025-07-10T07:34:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。